1.一種用于三導聯心電電極連接判別的智能終端，包括處理器和藍牙通訊模塊，其特征在于，所述的處理器加載有以下功能模塊：
信號采集模塊，用于通過智能終端內的藍牙通訊模塊收集心電監測器提供的心電數據；所述的心電數據包括：在電極連接正確導聯輸入正常的情況下心電監測器預先采集得到的m組三通道心電標準信號段、通過三個正電極之間連接位置的遍歷組合變換將每組信號段擴展成6組得到的6m組三通道心電訓練信號段以及用戶日常檢測時利用心電監測器采集得到的三通道心電信號段，m為大于1的自然數；
前饋模型訓練模塊，基于m組三通道心電標準信號段通過前饋神經網絡學習算法進行訓練，得到三通道心電信號之間的重構關系模型；
心電重構模塊，用于將m組三通道心電標準信號段代入上述重構關系模型進行遍歷計算，對應得到m組三通道心電重構信號段；此外也將用戶日常檢測得到的三通道心電信號段代入重構關系模型進行計算，得到對應的三通道心電重構信號段；
相關運算模塊，用于將所述的三通道心電訓練信號段與對應的三通道心電重構信號段進行相關系數運算，共得到6m組由三個相關系數為特征值組成的特征序列；此外也將用戶日常檢測得到的三通道心電信號段與其對應的三通道心電重構信號段進行相關系數運算，得到對應的特征序列；
神經網絡訓練模塊，用于根據上述6m組特征序列通過人工神經網絡學習算法進行訓練，得到關于電極連接位置的判別模型；
判別模塊，用于將用戶日常檢測得到的三通道心電信號段所對應的特征序列代入上述判別模型中得到對應關于連接位置狀態的輸出結果，進而根據該輸出結果判別出用戶的電極連接形式為哪種連接位置狀態，且該連接位置狀態是否正確。
2.根據權利要求1所述的智能終端，其特征在于：所述前饋模型訓練模塊通過前饋神經網絡學習算法進行訓練的具體過程如下：
1.1初始化構建一個由輸入層、隱藏層和輸出層組成的神經網絡；
1.2從樣本集中任取一組三通道心電標準信號段，將其中任意兩個通道的心電標準信號段代入上述神經網絡計算得到對應另一通道的心電信號輸出結果，進而計算該心電信號輸出結果與實際另一通道心電標準信號段之間的累積誤差；所述樣本集由m組三通道心電標準信號段組成；
1.3根據該累積誤差通過梯度下降法對神經網絡中輸入層與隱藏層之間以及隱藏層與輸出層之間的權重進行修正，進而從樣本集中任取下一組三通道心電標準信號段代入修正后的神經網絡；
1.4根據步驟1.2和1.3遍歷樣本集中的所有三通道心電標準信號段，取累積誤差最小時所對應的神經網絡為所述重構關系模型。
3.根據權利要求2所述的智能終端，其特征在于：所述前饋模型訓練模塊初始化構建的神經網絡中隱藏層由10個神經元組成。
4.根據權利要求2所述的智能終端，其特征在于：所述前饋模型訓練模塊初始化構建的神經網絡中隱藏層的神經元函數h(z)采用tan-sigmoid型傳遞函數，其表達式如下：
其中：z為函數的自變量。
5.根據權利要求1所述的智能終端，其特征在于：所述神經網絡訓練模塊所采用的人工神經網絡學習算法以梯度下降法作為優化方向。
6.根據權利要求1所述的智能終端，其特征在于：所述神經網絡訓練模塊通過人工神經網絡學習算法進行訓練的具體過程如下：
2.1將6m組特征序列分為訓練集和測試集且訓練集大于測試集；
2.2初始化構建一個由輸入層、隱藏層和輸出層組成的神經網絡；
2.3從訓練集中任取一特征序列代入上述神經網絡計算得到對應關于連接位置狀態的輸出結果，計算該輸出結果與該特征序列所對應的實際連接位置狀態之間的累積誤差；
2.4根據該累積誤差通過梯度下降法對神經網絡中輸入層與隱藏層之間以及隱藏層與輸出層之間的權重進行修正，進而從訓練集中任取下一特征序列代入修正后的神經網絡；
2.5根據步驟2.3和2.4遍歷訓練集中的所有特征序列，取累積誤差最小時所對應的神經網絡為判別模型。
7.根據權利要求6所述的智能終端，其特征在于：所述神經網絡訓練模塊初始化構建的神經網絡中隱藏層由5個神經元組成。
8.根據權利要求6所述的智能終端，其特征在于：所述神經網絡訓練模塊初始化構建的神經網絡中隱藏層的神經元函數g(z)的表達式如下：
其中：z為函數的自變量。
9.根據權利要求6所述的智能終端，其特征在于：所述神經網絡訓練模塊對于訓練得到的判別模型，將測試集中的特征序列逐個代入該判別模型得到對應關于連接位置狀態的輸出結果，使每一特征序列所對應的輸出結果與實際連接位置狀態進行比較，若測試集的正確率大于等于閾值的話，則該判別模型最終確定；若測試集的正確率小于閾值的話，則利用心電監測器采集更多的心電信號段樣本，經過心電重構模塊和相關運算模塊得到更多數量的特征序列作為神經網絡的輸入。
10.根據權利要求1所述的智能終端，其特征在于：所述的智能終端為智能手機、平板電腦或PC機。